python3图像加高斯噪声

高斯噪声

高斯噪声是指它的概率密度函数服从高斯分布（即正态分布）的一类噪声。常见的高斯噪声包括起伏噪声、宇宙噪声、热噪声和散粒噪声等等。除常用抑制噪声的方法外，对高斯噪声的抑制方法常常采用数理统计方法。

高斯白噪声：如果一个噪声，它的幅度分布服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声。

图像噪声

图像噪声是指存在于图像数据中的不必要的或多余的干扰信息。噪声的存在严重影响了遥感图像的质量，因此在图像增强处理和分类处理之前，必须予以纠正。图像中各种妨碍人们对其信息接受的因素即可称为图像噪声 。噪声在理论上可以定义为“不可预测，只能用概率统计方法来认识的随机误差”。因此将图像噪声看成是多维随机过程是合适的，因而描述噪声的方法完全可以借用随机过程的描述，即用其概率分布函数和概率密度分布函数。

高斯定理

高斯定理（Gauss’ law）也称为高斯通量理论（Gauss’ flux theorem），或称作散度定理、高斯散度定理、高斯－奥斯特罗格拉德斯基公式、奥氏定理或高－奥公式（通常情况的高斯定理都是指该定理，也有其它同名定理）。

python3图像加高斯噪声

• 依赖

  • python 3.x
  • opencv2
  • numpy

• 代码实现图像加高斯噪声
  test.py:

  import numpy as np
  import cv2
  import os
  import sys
  import random
  
  def main(path):
      
      img = cv2.imread(path)
      gn_img = gauss_noise(img, 0, random.randint(15, 30))#这里加了随机值
      cv2.imwrite('gauss_noise.png', gn_img)
      
      
  def gauss_noise(img, mean=0, sigma=25):
      
      image = np.array(img / 255, dtype=float)  # 将原始图像的像素值进行归一化
      # 创建一个均值为mean，方差为sigma，呈高斯分布的图像矩阵
      noise = np.random.normal(mean, sigma/255.0, image.shape)
      out = image + noise  # 将噪声和原始图像进行相加得到加噪后的图像
      res_img = np.clip(out, 0.0, 1.0)
      res_img = np.uint8(res_img * 255.0) 
      
      return res_img
      
  if __name__ == '__main__':
      if len(sys.argv) == 2:
          main(sys.argv[1])
  
  

• 用法：

  python test.py img_path

• 测试输入
  

• 测试效果图
  

参考

1.百度百科